提出VISOR方法,通过稀疏化、动态选择的视觉-语言交互(而非减少视觉token)来提升大视觉语言模型(LVLM)推理效率,在保持全分辨率视觉信息的同时,利用少量策略性放置的自注意力层更新视觉表征,从而在细粒度视觉理解任务上匹配或超越现有最优方法。
机构:三星
来源:arXiv 2603.23495 | AI4Papers 论文推荐平台